오피스건물에서 천장형 히트펌프 시스템 난방운전 시 심박변이도 특성을 반영한 개별 재실자 쾌적 모델 개발

Abstract

기존의 열쾌적 모델의 한계점을 극복하기 위해서 본 연구에서는 생리적 변수인 심박변이도를 반영하여 개별 재실자의 온열 쾌적감을 예측하는 모델을 개발하는 것을 목표로 하였다. 피험자 실험을 통해 실제 오피스건물과 유사한 환경을 갖춘 실험실에서 EHP 난방 조건에 따른 온열 쾌적감 반응과 심박변이도를 수집하였다. 재실자의 쾌적을 예측하는 모델 개발 시 변수 선정에 있어 기존 열쾌적 모델에서 활용한 변수만 활용한 모델과 심박변이도 및 개인적 변수까지 고려한 모델로 나누어 평가하였다. 그 결과, 기존의 열쾌적 모델에서 사용한 6가지 변수만 활용하였을 때보다 개인적인 변수와 생리적인 변수를 추가적으로 반영하여 온열감을 예측하였을 때 예측 정확도가 59.2%에서 67.8%까지 상승하였다. 또한 쾌적감의 경우에도 예측 정확도가 50.0%에서 73.6%까지(4점 척도), 79.9%에서 93.7%까지(2점 척도) 증가하였으며, F1-score 역시 개선되었다. 따라서 심박변이도를 반영하여 개별 재실자의 쾌적을 예측한다면 우수한 성능의 분류 모델을 개발할 수 있을 것으로 판단되었다. 심박변이도 변수를 포함한 개별 재실자의 쾌적을 예측하는 모델을 개발하기 위해 추가적으로 개인별 실험을 수행하여 개인의 온열 쾌적감 데이터를 수집하였다. 그리고 개별 재실자 쾌적 모델 개발 시 데이터 사이즈에 따른 모델의 성능을 분석하였다. 그 결과, 온열감 예측 모델의 경우, 데이터의 개수가 20개가 되었을 때 평균 예측정확도가 약 60%에 도달하고 그 이후 모델의 정확도가 수렴하는 형태를 가졌다. 쾌적감을 예측하는 모델 역시 데이터 개수가 증가할수록 정확도도 점차 증가하였고 최대 98%까지 증가하였다. 개별 재실자의 온열감 및 쾌적감을 예측하는 모델을 개발하였을 때, 다수의 피험자 데이터를 학습시켜 개발한 모델과 비교하였을 때보다 높은 예측 정확도를 나타냈다. 이를 통해 다수가 아닌 개인을 단위로 온열 쾌적감을 예측한다면, 개인의 열적 선호도를 고려하여 높은 성능을 가진 예측 모델을 개발할 수 있고 개인에 적합하게 온열 환경을 제어할 수 있을 것으로 사료된다.;In order to overcome the limitations of the existing thermal comfort model, this study aimed to develop a model that predicts the thermal comfort of individual occupants by using the physiological variable of heart rate variability. Subject experiments were conducted to collect heat comfort response and heart rate variability according to EHP heating conditions in a laboratory with an environment similar to a real office building. In developing the model to predict the comfort of the occupants, the evaluation was divided into the model using only the variables used in the existing thermal comfort model, and the model considering the heart rate variability and personal variables. As a result, the prediction accuracy increased from 59.2% to 67.8% when thermal sensation was predicted by additionally using personal and physiological variables, compared to using only six variables used in the conventional thermal comfort model. In the case of comfort, the prediction accuracy increased from 50.0% to 73.6% (4-point scale) and from 79.9% to 93.7% (2-point scale), and the F1-score also improved. Therefore, it was deemed possible to develop a classification model with excellent performance if thermal comfort was predicted by using heart rate variability and personal factors. In order to develop a model for predicting the thermal comfort of individual occupants, including heart rate variability variables, additional personal experiments were performed to collect individual thermal comfort data. In addition, the performance of personal comfort models was analyzed according to the data size. As a result, in the case of thermal sensation prediction model, when the number of data reaches 20, the average prediction accuracy reaches about 60%, and then the accuracy of the model converges. In the model of predicting thermal comfort, the accuracy increased gradually as the number of data increased and increased up to 98%. The personal thermal sensation and thermal comfort model showed higher prediction accuracy when compared to the model developed by learning a large number of subject data. It is considered that if the thermal comfort is predicted by individual rather than many people, the predictive model with high performance can be developed in consideration of the individual's thermal preference and the thermal environment can be controlled appropriately for the individual.